論文の概要: Automatic Identification of Self-Admitted Technical Debt from Different Sources

• arxiv url: http://arxiv.org/abs/2202.02387v1
• Date: Fri, 4 Feb 2022 20:59:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-08 16:56:18.951646
• Title: Automatic Identification of Self-Admitted Technical Debt from Different Sources
• Title（参考訳）: 異なる音源からの自己申告技術的負債の自動識別
• Authors: Yikun Li, Mohamed Soliman, Paris Avgeriou
• Abstract要約: 技術的負債は、短期的な目標のために長期的な利益が交換される状況を説明するメタファーである。 ソフトウェアアーティファクトの開発者が技術的負債を明示的に認める場合、それはSelf-Admitted Technical Debt(SATD)と呼ばれる。 異なるソースからSATDを自動的に識別する手法を提案する。
• 参考スコア（独自算出の注目度）: 3.446864074238136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Technical debt is a metaphor describing the situation that long-term benefits (e.g., maintainability and evolvability of software) are traded for short-term goals. When technical debt is admitted explicitly by developers in software artifacts (e.g., code comments or issue tracking systems), it is termed as Self-Admitted Technical Debt or SATD. Technical debt could be admitted in different sources, such as source code comments, issue tracking systems, pull requests, and commit messages. However, there is no approach proposed for identifying SATD from different sources. Thus, in this paper, we propose an approach for automatically identifying SATD from different sources (i.e., source code comments, issue trackers, commit messages, and pull requests).
• Abstract（参考訳）: 技術的負債は、長期的利益(例えば、ソフトウェアの保守性と進化性)が短期的な目標のために取引される状況を記述するメタファーです。 技術的負債がソフトウェアアーティファクト(例えば、コードコメントや問題追跡システム)の開発者によって明示的に認められる場合、それはSelf-Admitted Technical Debt(SATD)と呼ばれる。 技術的負債はソースコードのコメント、イシュートラッキングシステム、プルリクエスト、コミットメッセージなど、さまざまなソースで認められる可能性がある。 しかし、異なるソースからsatdを識別するアプローチは提案されていない。 そこで本稿では,異なるソース(ソースコードコメント,イシュートラッカ,コミットメッセージ,プルリクエストなど)からsatを自動的に識別する手法を提案する。

関連論文リスト

• Benchmarking Uncertainty Quantification Methods for Large Language Models with LM-Polygraph [83.90988015005934]
  不確実性定量化(英: Uncertainty Quantification、UQ)は、機械学習(ML)アプリケーションにおいて重要なコンポーネントである。 最新のUQベースラインの集合を実装した新しいベンチマークを導入する。 我々は、9つのタスクにわたるUQと正規化技術に関する大規模な実証的研究を行い、最も有望なアプローチを特定した。
  論文  参考訳（メタデータ） (2024-06-21T20:06:31Z)
• An Exploratory Study of the Relationship between SATD and Other Software Development Activities [13.026170714454071]
  Self-Admitted Technical Debt (SATD)は、開発者が負債を思い出させるためにコードをドキュメント化する、特定のタイプのTechnical Debtである。 これまでの研究では、SATDの様々な側面を探求してきた。 本研究ではSATDの削除と追加とバグ修正,新機能の追加,テストなどの活動との関係について検討する。
  論文  参考訳（メタデータ） (2024-04-02T13:45:42Z)
• SATDAUG -- A Balanced and Augmented Dataset for Detecting Self-Admitted Technical Debt [6.699060157800401]
  自己承認技術的負債(Self-admitted Technical debt、SATD)とは、開発者が技術的ショートカットの存在を明確に認識し、文書化する技術的負債の一種である。 textitSATDAUGデータセットは、ソースコードコメント、イシュートラッカ、プルリクエスト、コミットメッセージを含む既存のSATDデータセットの拡張バージョンです。
  論文  参考訳（メタデータ） (2024-03-12T14:33:53Z)
• Evaluating Verifiability in Generative Search Engines [70.59477647085387]
  生成検索エンジンは、インラインの引用とともに、ユーザークエリへの応答を直接生成する。 我々は,一般的な4つの生成検索エンジンの評価を行う。 既存の生成検索エンジンからの応答は流動的であり、情報的に見えるが、しばしばサポートされていない文や不正確な引用を含んでいる。
  論文  参考訳（メタデータ） (2023-04-19T17:56:12Z)
• PENTACET data -- 23 Million Contextual Code Comments and 250,000 SATD comments [3.6095388702618414]
  SATD(Self-Admitted Technical Debt)研究の多くは、SATD検出に「TODO」や「FIXME」のような明示的なSATD特徴を用いる。 この作業は、PENTACET(あるいは5Cデータセット)データを通じて、このギャップに対処する。 結果は2300万のコードコメント、各コメントのソースコードコンテキストの前と後、そしてSATDとラベル付けされた25万以上のコメントからなるデータセットである。
  論文  参考訳（メタデータ） (2023-03-24T14:42:42Z)
• Automatically Identifying Relations Between Self-Admitted Technical Debt Across Different Sources [3.446864074238136]
  Self-Admitted Technical DebtまたはSATDは、ソースコードコメント、コミットメッセージ、イシュートラッキングシステム、プルリクエストなど、さまざまなソースで見ることができる。 従来の研究は、SATDアイテム間の関係を異なるソースで確立してきた。 異なるソース間でSATD関係を自動的に識別するためのアプローチを提案し,評価する。
  論文  参考訳（メタデータ） (2023-03-13T13:03:55Z)
• Interleaving Retrieval with Chain-of-Thought Reasoning for Knowledge-Intensive Multi-Step Questions [50.114651561111245]
  マルチステップ質問応答のための新しいアプローチであるIRCoTを提案する。 CoTのステップで検索をインターリーブし、CoTで検索を誘導し、検索結果を用いてCoTを改善する。
  論文  参考訳（メタデータ） (2022-12-20T18:26:34Z)
• Identifying Self-Admitted Technical Debt in Issue Tracking Systems using Machine Learning [3.446864074238136]
  技術的負債は短期的利益のために実装された準最適ソリューションのメタファーである。 Self-Admitted Technical Debtの特定に関する作業の多くは、ソースコードのコメントに重点を置いている。 本稿では,機械学習を用いた問題追跡システムにおけるSATDの自動識別手法の提案と最適化を行う。
  論文  参考訳（メタデータ） (2022-02-04T15:15:13Z)
• S3M: Siamese Stack (Trace) Similarity Measure [55.58269472099399]
  本稿では、深層学習に基づくスタックトレースの類似性を計算する最初のアプローチであるS3Mを紹介します。 BiLSTMエンコーダと、類似性を計算するための完全接続型分類器をベースとしている。 私たちの実験は、オープンソースデータとプライベートなJetBrainsデータセットの両方において、最先端のアプローチの優位性を示しています。
  論文  参考訳（メタデータ） (2021-03-18T21:10:41Z)
• GMOT-40: A Benchmark for Generic Multiple Object Tracking [65.80411267046786]
  我々はジェネリック・マルチプル・オブジェクト・トラッキング(GMOT)の研究を3つの側面で促進するために貢献する。 まず、GMOT-40と呼ばれる最初の公開GMOTデータセットを構築する。 第二に、専用追跡アルゴリズムの欠如に留意して、一連のベースラインGMOTアルゴリズムを設計した。 第3に、一般的なMOTアルゴリズムと提案したベースラインを含むGMOT-40の徹底的な評価を行う。
  論文  参考訳（メタデータ） (2020-11-24T02:51:46Z)
• Open Question Answering over Tables and Text [55.8412170633547]
  オープンな質問応答(QA)では、質問に対する回答は、質問に対する回答を含む可能性のある文書を検索して分析することによって生成される。 ほとんどのオープンQAシステムは、構造化されていないテキストからのみ情報を取得することを検討している。 我々は,このタスクの性能を評価するために,新しい大規模データセット Open Table-and-Text Question Answering (OTT-QA) を提案する。
  論文  参考訳（メタデータ） (2020-10-20T16:48:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。